Jika pasar adalah kebisingan, maka setiap upaya untuk memprediksi candle berikutnya ibarat menguraikan statis radio. Para penulis Kronos mengusulkan pendekatan radikal: mengonversi candle bursa menjadi token diskret (seperti kata-kata dalam bahasa) dan melatih transformer untuk memprediksi "kata berikutnya" — yaitu, candle berikutnya.
Ini bukan transformer deret waktu universal "untuk semua keperluan", melainkan sebuah model khusus untuk K-line multidimensi (OHLCV) dengan fitur kalender. Repositori shiyu-coder/Kronos terbuka di bawah lisensi MIT, bobot model tersedia di Hugging Face, dan makalahnya diterima di AAAI 2026.
Ide Inti: Candle = Bahasa
Sama seperti ChatGPT belajar memprediksi kata berikutnya dalam teks, Kronos belajar memprediksi candle berikutnya dalam rangkaian harga. Namun pertama-tama, perlu diselesaikan masalah utama: sebuah candle adalah vektor kontinu (open, high, low, close, volume), sementara transformer bekerja dengan token diskret.
Solusinya — arsitektur dua tingkat:
- Tokenizer (BSQ) — mengompresi candle kontinu menjadi kode diskret
- Decoder (transformer) — memprediksi kode berikutnya secara autoregressif
Tokenizer BSQ: Cara Mengompresi Candle Menjadi Dua Angka
Modul kunci — Binary Spherical Quantizer (BSQ):
- Vektor candle kontinu diproyeksikan ke sebuah bola (
F.normalize) - Kemudian dikuantisasi menjadi kode biner
- Kode dibagi menjadi dua level: kasar (S1) dan detail (S2)
Ini adalah faktorisasi kosakata: alih-alih satu kamus besar berukuran S1 × S2, model menggunakan dua tabel embedding kecil — jauh lebih efisien.
Decoder Hierarkis: Pertama Skenario, Baru Detail
Head ganda (DualHead) bekerja secara berurutan:
- Pertama model memprediksi S1 — "skenario kasar" (naik? turun? kira-kira berapa banyak?)
- Kemudian dengan S1 tetap, menyempurnakan S2 — detail (harga tepat, volume)
Tautan
- 💻 GitHub: shiyu-coder/Kronos
- 📄 Makalah: arXiv:2508.02739
- 📄 Lisensi: MIT
Kesimpulan
Kronos bukan "transformer deret waktu yang lain" melainkan sebuah pipeline yang koheren: tokenizer BSQ dengan kontrol codebook, model bahasa hierarkis dengan dua tingkat diskretisasi, autoregresi dengan sampling dua tahap, normalisasi jendela lokal. Ini adalah implementasi terbuka dari ide "candle = bahasa".
